論文の概要: ML-OPF-Bench: Benchmarking Machine Learning for Optimal Power Flow

• arxiv url: http://arxiv.org/abs/2610.04307v1
• Date: Sat, 03 Oct 2026 05:44:39 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-12 11:41:14.836236
• Title: ML-OPF-Bench: Benchmarking Machine Learning for Optimal Power Flow
• Title（参考訳）: ML-OPF-Bench: 最適潮流のためのベンチマーク機械学習
• Abstract要約: ML-OPF-BenchはAC-とDC-OPFの統一ベンチマークである。 予測精度だけでは、運用の実現可能性の信頼できる指標ではない。 結果は、MLメソッドのスピード、正確性、実現可能性の間の重要なトレードオフを明らかにします。
• 参考スコア（独自算出の注目度）: 21.5642491873073
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Machine Learning (ML) methods promise a fast solution process for Optimal Power Flow (OPF). While inconsistent test cases, implementations, and evaluation metrics across existing studies make it challenging to determine which algorithmic advances are most critical for real-world deployment. To this end, we propose ML-OPF-Bench, a unified benchmark for AC- and DC-OPF that evaluates representative ML algorithms under a consistent pipeline, stress-tests them across system sizes, distribution shifts, and resource budgets, and ranks them with a multi-objective framework. We find that prediction accuracy alone is not a reliable indicator of operational feasibility. Under heavily loaded, congested conditions, even the strongest in-distribution performers lose their advantage, while feasibility is maintained largely by post-processing that enforces the target constraints rather than by the underlying pure ML predictor. Data scaling shows that prediction accuracy and constraint violations follow different trajectories, whereas compute scaling shows that returns diminish and that larger models do not consistently perform better. These results expose critical trade-offs among ML methods' speed, accuracy, and feasibility, and offer practical guidance for future ML-OPF design. We open-source the benchmark as an extensible Python package for integrating new learning-based OPF algorithms and evaluating them under the same standard as the existing baselines.
• Abstract（参考訳）: 機械学習(ML)メソッドは、最適潮流(OPF)の高速解法プロセスを約束する。 既存の研究にまたがる一貫性のないテストケース、実装、評価メトリクスは、どのアルゴリズムの進歩が現実世界のデプロイに最も重要であるかを決定するのを困難にしている。 この目的のために我々は,AC-およびDC-OPFの統一ベンチマークであるML-OPF-Benchを提案し,一貫したパイプライン下で代表MLアルゴリズムを評価し,システムサイズ,分散シフト,リソース予算にまたがってストレステストを行い,多目的フレームワークでランク付けする。 予測精度だけでは、運用の実現可能性の確実な指標ではないことが分かっています。 過負荷で混雑した条件の下では、最強のインディストリビューションパフォーマーでさえその優位性を失うが、実現可能性の大部分は、基盤となる純粋なML予測器ではなく、ターゲットの制約を強制する後処理によって維持される。 データスケーリングは、予測精度と制約違反が異なるトラジェクトリに従うことを示しているが、計算スケーリングはリターンが減少し、より大きなモデルが常に改善しないことを示している。 これらの結果は,ML手法の速度,精度,実現可能性における重要なトレードオフを明らかにし,今後のML-OPF設計のための実践的なガイダンスを提供する。 我々は、新しい学習ベースのOPFアルゴリズムを統合し、それらを既存のベースラインと同じ標準で評価するための拡張可能なPythonパッケージとして、ベンチマークをオープンソース化した。

関連論文リスト

• LiveFMBench: Unveiling the Power and Limits of Agentic Workflows in Specification Generation [75.05397479715576]
  大規模言語モデル(LLM)とエージェントは有望な進歩を示しているが、その真の能力と失敗モードは未だ不明である。 CプログラムのためのLCMおよびエージェントベースの形式仕様生成に関する、最初の体系的および汚染に配慮した研究を提案する。
  論文  参考訳（メタデータ） (2026-05-02T11:31:33Z)
• Scaling Laws of Machine Learning for Optimal Power Flow [18.873780776603216]
  深層ニューラルネットワーク(DNN)のような機械学習アプローチは、OPFソリューションの速度と性能を向上させるために広く研究されている。 既存の研究では、これらのスケーリング関係を定量化することなく、離散的なシナリオを評価する。 この研究は、MLベースのOPFの2次元にわたる最初の体系的スケーリング研究である。
  論文  参考訳（メタデータ） (2026-01-06T04:32:37Z)
• Machine Learning Pipeline for Software Engineering: A Systematic Literature Review [0.0]
  この系統的な文献レビューは、ソフトウェア工学(SE)用に設計された最先端の機械学習パイプラインを検証している。 この結果から,データバランシングのためのSMOTEなどの堅牢な前処理がモデルの信頼性を向上させることが示唆された。 ランダムフォレストやグラディエントブースティングのようなアンサンブルメソッドはタスク間でパフォーマンスを支配します。 Best Arithmetic Mean (BAM)のような新しいメトリクスはニッチなアプリケーションに現れている。
  論文  参考訳（メタデータ） (2025-07-31T15:37:30Z)
• RoSTE: An Efficient Quantization-Aware Supervised Fine-Tuning Approach for Large Language Models [53.571195477043496]
  本稿では,RoSTE (Rotated Straight-Through-Estimator) というアルゴリズムを提案する。 RoSTEは、量子化を意識した微調整(QA-SFT)と適応的な回転戦略を組み合わせることで、アクティベーションアウトリーを減少させる。 その結果, 予測誤差は収束重みの量子化誤差と直接比例し, 最適化された回転構成により効果的に管理できることが判明した。
  論文  参考訳（メタデータ） (2025-02-13T06:44:33Z)
• Scaling Laws for Predicting Downstream Performance in LLMs [75.28559015477137]
  この研究は、性能推定のためのより計算効率のよい指標として、事前学習損失に焦点を当てている。 FLP-Mは、事前トレーニング中に複数のソースからのデータセットを統合する実践的なニーズに対処する、パフォーマンス予測の基本的なアプローチである。
  論文  参考訳（メタデータ） (2024-10-11T04:57:48Z)
• LLMC: Benchmarking Large Language Model Quantization with a Versatile Compression Toolkit [55.73370804397226]
  鍵圧縮技術である量子化は、大きな言語モデルを圧縮し、加速することにより、これらの要求を効果的に軽減することができる。 本稿では,プラグアンドプレイ圧縮ツールキットであるLLMCについて,量子化の影響を公平かつ体系的に検討する。 この汎用ツールキットによって、我々のベンチマークはキャリブレーションデータ、アルゴリズム(3つの戦略)、データフォーマットの3つの重要な側面をカバーしています。
  論文  参考訳（メタデータ） (2024-05-09T11:49:05Z)
• Rethinking the Starting Point: Collaborative Pre-Training for Federated Downstream Tasks [21.842345900168525]
  CoPreFLはモデルに依存しないメタラーニング(MAML)プロシージャで、異種および目に見えないFLシナリオを忠実に模倣するようにグローバルモデルを調整する。 当社のMAML手順では,パフォーマンスの分散をメタオブジェクト関数に組み込んで,クライアント間でパフォーマンスのバランスをとる。 我々は,任意の下流FLタスク間の平均精度と分散の両面で,CoPreFLが大幅に改善されることを実証した。
  論文  参考訳（メタデータ） (2024-02-03T17:58:43Z)
• Weak Supervision Performance Evaluation via Partial Identification [46.73061437177238]
  Programmatic Weak Supervision (PWS) は、地上の真理ラベルに直接アクセスすることなく、教師付きモデルトレーニングを可能にする。 本稿では,モデル評価を部分的同定問題としてフレーミングすることで,この問題に対処する新しい手法を提案する。 提案手法は,従来の弱監督評価手法において,ラベル付きデータを必要とせず,重要な指標に信頼性のあるバウンダリを導出する。
  論文  参考訳（メタデータ） (2023-12-07T07:15:11Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。